Abstract:
O desenvolvimento de métodos de classificação aplicados a imagens de satélite tem apresentado resultados bastante satisfatórios, nomeadamente a classificação baseada em objeto (OBIA – Object Based Image Analysis). Porém, os algoritmos construídos para a classificação de uma dada área de estudo, apresentam um desempenho inferior quando aplicados a uma imagem da mesma área, adquirida noutra época.
Assim, a presente dissertação de mestrado tem como principal objetivo desenvolver uma metodologia de classificação multitemporal de imagens de média resolução, semiautomática e replicável. Esta terá a capacidade de identificar os principais padrões de ocupação do solo de qualquer imagem na mesma área de estudo, sendo aplicada em diversos contextos temporais, permitindo a redução da subjetividade na classificação e uma rápida e constante atualização da informação, através da repetibilidade do algoritmo construído.
Foram recolhidas imagens do satélite Land Remote Sensing Satellite 8 (Landsat 8) sendo estas subdivididas num conjunto de imagens de treino e de teste. De seguida, é desenvolvido um algoritmo de classificação de imagens orientada em objetos, através das imagens de treino com o auxílio do software eCognition®. Nesta primeira fase são encontradas as variáveis e os respetivos limiares de corte das funções, das imagens utilizadas na construção do algoritmo de classificação.
Posteriormente, através do software Matrix Laboratory (Matlab®) procedeu-se à aplicação de um algoritmo baseado na Análise por Componentes Principais (ACP) para determinar automaticamente os limiares de corte das funções para a classificação das imagens de teste. Este método multivariado permite numa primeira instância analisar a correlação entre parâmetros caracterizadores das imagens e os limiares das imagens de treino. Através de uma segunda ACP, as imagens de treino e de teste foram ordenadas e foi efetuada a interpolação dos limiares de corte das funções para as imagens a classificar. Foram produzidos mapas de ocupação de solo para 8 imagens, com uma exatidão global superior a 94% e um coeficiente de concordância Kappa acima de 0,94.
